典型文献
融合跨阶段深度学习的脑肿瘤MRI图像分割
文献摘要：
目的 磁共振成像(magnetic resonance imaging,MRI)作为一种非侵入性的软组织对比成像方式,可以提供有关脑肿瘤的形状、大小和位置等有价值的信息,是用于脑肿瘤患者检查的主要方法,在脑肿瘤分割任务中发挥着重要作用.由于脑肿瘤本身复杂多变的形态、模糊的边界、低对比度以及样本梯度复杂等问题,导致高精度脑肿瘤MRI图像分割非常具有挑战性,目前主要依靠专业医师手动分割,费时且可重复性差.对此,本文提出一种基于U-Net的改进模型,即CSPU-Net(cross stage partial U-Net)脑肿瘤分割网络,以实现高精度的脑肿瘤MRI图像分割.方法 CSPU-Net在U-Net结构的上下采样中分别加入两种跨阶段局部网络结构(cross stage partial module,CSP)提取图像特征,结合GDL(general Dice loss)和WCE(weighted cross entropy)两种损失函数解决训练样本类别不平衡问题.结果 在BraTS(brain tumor segmentation)2018和BraTS 2019两个数据集上进行实验,在BraTS 2018数据集中的整体肿瘤分割精度、核心肿瘤分割精度和增强肿瘤分割精度分别为87.9％、80.6％ 和77.3％,相比于传统U-Net的改进模型(ResU-Net)分别提升了0.80％、1.60％ 和2.20％.在BraTS 2019数据集中的整体肿瘤分割精度、核心肿瘤分割精度和增强肿瘤分割精度分别为87.8％、77.9％和70.7％,相比于ResU-Net模型提升了0.70％、1.30％和1.40％.结论 本文提出的跨阶段局部网络结构,通过增加梯度路径、减少信息损失,可以有效提高脑肿瘤分割精度,实验结果证明了该模块对脑肿瘤分割任务的有效性.
文献关键词：
脑肿瘤分割;深度学习;U-Net;跨阶段局部网络结构;残差模块
中图分类号：
作者姓名：
夏峰;邵海见;邓星
作者机构：
江苏科技大学计算机学院, 镇江 212003;东南大学自动化学院复杂工程系统测量与控制教育部重点实验室, 南京 210009
文献出处：
引用格式：
[1]夏峰;邵海见;邓星-.融合跨阶段深度学习的脑肿瘤MRI图像分割)[J].中国图象图形学报,2022(03):873-884
A类：
CSPU,跨阶段局部网络结构
B类：
图像分割,磁共振成像,magnetic,resonance,imaging,非侵入性,软组织,成像方式,肿瘤患者,主要方法,脑肿瘤分割,低对比度,费时,可重复性,Net,改进模型,cross,stage,partial,分割网络,下采样,别加,module,图像特征,GDL,general,Dice,loss,WCE,weighted,entropy,损失函数,训练样本,本类,类别不平衡,不平衡问题,BraTS,brain,tumor,segmentation,ResU,信息损失,残差模块
AB值：
0.272405
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
